Cómo construir una capa semántica para IA agente en AWS con Stardog y AgentCore

Introducción

La analítica empresarial ha evolucionado desde reportes programados hasta dashboards y BI de autoservicio, pero sigue existiendo un cuello de botella: la integración y la interpretación del dato. Hoy, los agentes generativos —modelos grandes que planifican, generan consultas y razonan sobre datos— pueden actuar como analistas autónomos. Sin embargo, su capacidad depende de la calidad y la coherencia de la información a la que acceden.

Este artículo describe cómo usar la aplicación Stardog Semantic AI sobre Amazon Aurora y Amazon Redshift, junto con un agente Strands ejecutado en Amazon Bedrock AgentCore, para crear una capa semántica que permita a agentes responder preguntas 360 sobre clientes y métricas sin realizar ETL. También abordamos cómo esta aproximación se integra con las herramientas de AWS que muchas empresas en Latinoamérica ya usan.

El problema: datos fragmentados y respuestas inconsistentes

En la práctica, los datos empresariales viven en sistemas distintos: registros operacionales en Amazon Aurora o RDS, historiales analíticos en Amazon Redshift, y datos no estructurados en Amazon S3 —a menudo en formatos abiertos como Apache Iceberg o Amazon S3 Tables— consultables por Amazon Athena, EMR o Redshift. Cada sistema está optimizado para su propósito, pero definen entidades de negocio de formas distintas. Un “cliente” en el CRM puede no coincidir con el registro de facturación; distintas regiones calculan métricas como “ingreso” de maneras divergentes.

Si un agente tiene acceso directo a estas fuentes sin mediación, puede generar consultas válidas técnicamente que devuelvan resultados erróneos o contradictorios. La confianza se pierde cuando dos agentes dan números diferentes para la misma pregunta.

¿Qué es una capa semántica y por qué importa?

Una capa semántica captura el contexto de negocio —conceptos, relaciones, atributos y reglas— de manera centralizada y reutilizable. En la implementación de Stardog, esa capa es un grafo de conocimiento: una ontología que define entidades y relaciones, identificadores estables (IRIs), reglas que derivan hechos y restricciones que validan datos.

Los componentes clave:

• Ontología: vocabulario empresarial común para conceptos como cliente, pedido, factura, riesgo, etc.
• Mapeos: declaraciones que indican cómo los conceptos de la ontología se conectan con filas y columnas en cada sistema fuente.
• Grafo de conocimiento: representación conectada de entidades con IRIs únicas.
• Named graphs: subconjuntos etiquetados del grafo que Stardog utiliza como unidad de control de acceso.
• Virtual graphs: named graphs cuyo contenido vive en sistemas externos; Stardog recupera filas al vuelo usando los mapeos.

Con esta capa, un agente formula consultas contra la vista semántica; Stardog traduce esas consultas a SQL (o consultas específicas) en tiempo real hacia Aurora, Redshift o Athena. Los datos permanecen en sus repositorios originales —no hay ETL— y la lógica de negocio se captura una sola vez.

Arquitectura propuesta en AWS

La implementación descrita combina varios componentes ya familiares en AWS:

• Stardog Semantic AI Application: despliega la ontología, mapeos, reglas y el grafo virtual/federado.
• Amazon Aurora y Amazon Redshift: fuentes primarias para registros operacionales y analíticos.
• Amazon S3 y Amazon Athena: almacenamiento y consulta de datos no estructurados y tablas en formatos abiertos (p. ej. Iceberg/S3 Tables).
• Amazon Bedrock AgentCore: plataforma gestionada que hospeda agentes —en el ejemplo, un agente Strands— y agrupa autenticación entrante, hosting y credenciales de herramientas.

Stardog puede ejecutarse detrás de distintos compute de AWS (Amazon EKS, Amazon ECS, AWS Lambda), pero en este caso se integra con AgentCore para simplificar el despliegue del agente y su acceso a la capa semántica.

Cómo funciona en la práctica

1. Definan la ontología y establezcan identificadores estables para las entidades relevantes (clientes, pedidos, productos, etc.).
2. Configuren mapeos desde cada fuente —Aurora, Redshift, Athena— hacia los conceptos de la ontología. Estos mapeos permiten que Stardog trate datos en origen como parte del grafo, sin replicarlos.
3. Implementen rules y constraints en Stardog para derivar métricas y validar coherencia.
4. Desplieguen el agente en Amazon Bedrock AgentCore; el agente envía consultas semánticas a Stardog.
5. Stardog traduce las consultas SPARQL a consultas SQL o a llamadas a las fuentes virtuales, recupera resultados y aplica reglas antes de devolver una respuesta.

El agente puede complementar las respuestas con recuperación de documentos (RAG) cuando la respuesta depende de textos —manuales, políticas, tickets— y usar la capa semántica cuando la respuesta requiere unir registros vivos y aplicar reglas de negocio.

RAG y capa semántica: complementos, no sustitutos

Retrieval Augmented Generation (RAG) es útil cuando la respuesta existe en textos que se pueden indexar en bases de conocimiento y recuperar. Sin embargo, para preguntas analíticas que requieren unir datos en tiempo real, aplicar reglas de negocio y respetar permisos a nivel de fila o columna, la capa semántica es la solución adecuada.

En producción, muchas arquitecturas necesitan ambos enfoques: RAG para contenido textual y la capa semántica para hechos y métricas verificables. Ambos pueden ser accedidos por el mismo agente para ofrecer respuestas completas y justificables.

Beneficios para organizaciones en Latinoamérica

Las empresas latinoamericanas, al igual que otras, enfrentan heterogeneidad de sistemas tras fusiones, negocios regionales y operaciones en múltiples países. Una capa semántica ayuda a:

• Unificar definiciones críticas de negocio sin mover datos fuera de sus respectivos sistemas.
• Acelerar el tiempo entre la pregunta y una respuesta confiable, reduciendo dependencias en equipos de datos.
• Mantener cumplimiento y control de acceso mediante named graphs y políticas de seguridad.
• Evitar replicación masiva de datos, lo cual es relevante para escenarios con requisitos de residencia de datos.

Consideraciones para la adopción

• Modelado y gobernanza: diseñar la ontología requiere colaboración entre negocio, datos y TI.
• Control de acceso: definan named graphs y políticas para distintos roles y regiones.
• Rendimiento y latencia: la federación trae consultas en tiempo real; diseñen mapeos y consultas eficientes.
• Integración con toolchain existente: Stardog y AgentCore deben integrarse con los pipelines, catálogos y sistemas de autenticación que ya usen.

Conclusión

Una capa semántica implementada con Stardog y consumida por agentes en Amazon Bedrock AgentCore permite que agentes generativos actúen como analistas autónomos, combinando la fluidez del lenguaje de los modelos base con la precisión y gobernanza de una vista de negocio única. Para empresas en Latinoamérica que manejan sistemas heterogéneos, esta aproximación reduce fricciones, mejora la trazabilidad de las respuestas y acelera el acceso a insights confiables sin necesidad de ETL masivo.